محقق کمی (یادگیری ماشین)
Quantitative Researcher (ML)
نام قبلی این صفحه، Quant AI Analyst، عنوانی نیست که کارفرماها در آگهی بنویسند. کاری که این صفحه توصیف می‌کند، یعنی ساختن مدل‌های پیش‌بینی و سیگنال معاملاتی با آمار و یادگیری ماشین روی داده‌های بازار، در شرکت‌های معاملاتی و صندوق‌ها بیشتر با عنوان Quantitative Researcher (گاهی با پسوند Machine Learning)، Machine Learning Researcher یا Deep Learning Researcher آگهی می‌شود و در بانک JPMorganChase با عنوان‌هایی مثل AI Scientist و AI/ML Quantitative Researcher. در جستجوی ۲۲ اکتبر ۲۰۲۶ نزدیک‌ترین عنوان به «Quant AI» آگهی Quantitative AI Strategist در DRW بود که ابزارهای AI را برای پژوهش و تحلیل میزهای معاملاتی می‌سازد. در بسیاری از این آگهی‌ها سابقهٔ کار در صنعت مالی شرط نیست، اما پایهٔ قوی آمار، یادگیری ماشین و برنامه‌نویسی Python شرط است.
مقدمه و تعریف شغل
پژوهشگر کمّی یادگیری ماشین (که این صفحه آن را Quant AI Analyst می‌نامد) در شرکت معاملاتی، صندوق پوشش ریسک یا بانک، با آمار، یادگیری ماشین و یادگیری عمیق روی داده‌های بازار مدل‌هایی می‌سازد که تصمیم معاملاتی را هدایت می‌کنند: پیش‌بینی حرکت قیمت، سیگنال خرید و فروش، قیمت‌گذاری، اجرای سفارش یا ساخت سبد. کار از ایده و کاوش داده شروع می‌شود، با آزمایش و ارزیابی دقیق ادامه پیدا می‌کند و تا اجرای مدل در معاملات واقعی و پایش روزانهٔ آن می‌رسد. تفاوت اصلی با علم دادهٔ معمولی در جنس داده است: Jane Street دادهٔ معاملاتی را nonstationary و محیط را رقابتی و چندعاملی توصیف می‌کند؛ یعنی الگویی که امروز کار می‌کند ممکن است فردا کار نکند و طرف مقابل هم در حال یادگیری است.
در O*NET، پایگاه شغلی وزارت کار آمریکا، این کار ذیل «Financial Quantitative Analysts» (کد 13-2099.01) آمده است که عنوان‌هایی مثل Quantitative Analyst و Quantitative Research Analyst را پوشش می‌دهد. اما در آگهی‌های شرکت‌های معاملاتی عنوان غالب Quantitative Researcher است: در بررسی ۲۲ اکتبر ۲۰۲۶ روی ۲۷ برد شغلی Greenhouse متعلق به شرکت‌های معاملاتی و صندوق‌ها، ۱۳۳ عنوان غیرکارآموزی با Quantitative Researcher یا Quant Research دیده شد، در برابر فقط ۶ عنوان Quant Analyst. نسخهٔ یادگیری ماشینی کار معمولاً با پسوند یا عنوان پژوهشگر ML مشخص می‌شود: Quantitative Researcher - Machine Learning در Point72 و DRW، Junior Quant Researcher - ML Alpha Research در Squarepoint، Machine Learning Researcher در Jane Street و Virtu، Deep Learning Researcher در IMC و Jump، و AI Scientist در گروه Quantitative Trading & Research بانک JPMorganChase. HRT همین کار را Algorithm Developer می‌نامد. عنوان Quant AI Analyst در هیچ آگهی پیدا نشد و نزدیک‌ترین عنوان، Quantitative AI Strategist در DRW، نسخهٔ متفاوتی از کار است: ساختن پلتفرم AI برای پژوهش و تحلیل میزهای معاملاتی. ریشهٔ این حرفه به دهه‌ها پیش برمی‌گردد: طبق ویکی‌پدیا، Jim Simons صندوق Medallion را در ۱۹۸۸ پس از استخدام ریاضی‌دانانی مثل Leonard Baum و James Ax راه انداخت و David E. Shaw در همان سال صندوقی تأسیس کرد که با الگوریتم‌های اختصاصی معامله می‌کرد.
چه چیزی می‌سازید؟
مثال‌های واقعی از خروجی کار یک محقق کمی (یادگیری ماشین)
سیگنال معاملاتی مبتنی بر یادگیری ماشین
تیم Internal Alpha Capture در Point72 سیگنال‌های معاملاتی سهام را با روش‌های یادگیری ماشین روی داده‌های اختصاصی می‌سازد تا بازده سبد بهتر شود یا متغیرهای دیگر پیش‌بینی شوند.
مدل پایهٔ سری زمانی بازار
AI Market Lab در JPMorganChase مدل‌های پایهٔ Transformer و سری زمانی را از صفر روی دادهٔ بازار، دفتر سفارش و معاملات پیش‌آموزش می‌دهد و بعد آن‌ها را برای تولید alpha، قیمت‌گذاری، بازارسازی، اجرای سفارش و مدیریت ریسک تنظیم می‌کند.
استراتژی معاملاتی بر پایهٔ یادگیری عمیق
تیم یادگیری ماشین Jane Street مدل‌های یادگیری عمیقی می‌سازد که استراتژی‌های معاملاتی شرکت را پیش می‌برند، روی کلاستری که به گفتهٔ آگهی ده‌ها هزار GPU پیشرفته دارد.
پلتفرم AI برای میز معاملات
Quantitative AI Strategist در DRW جریان‌های کار کمّی، از دریافت داده و ساخت سیگنال تا شبیه‌سازی سود و زیان و تحلیل ریسک، را برای پلتفرمی طراحی می‌کند که معامله‌گران، پژوهشگران و مدیران ریسک با کمک AI از آن استفاده می‌کنند.
مدل قیمت‌گذاری در بازارهای پیش‌بینی
میز Prediction Markets در Akuna مدل‌های قیمت‌گذاری قراردادهای ورزشی، مثل نتیجهٔ مسابقه و رویدادهای حین بازی، را با دادهٔ تاریخی کالیبره می‌کند تا حین مسابقه قیمت بدهد.
بهینه‌سازی سبد و اجرای سفارش
Akuna از پژوهشگر جونیور یادگیری عمیق می‌خواهد الگوریتم‌های بهینه‌سازی برای ساخت سبد طراحی کند و Algorithm Developerهای HRT روش‌های تازهٔ اجرای سفارش را برای کارایی بیشتر معاملات آزمایش می‌کنند.
تخصص‌های مختلف محقق کمی (یادگیری ماشین)
این شغل یک عنوان واحد نیست — مسیرهای تخصصی متعددی دارد
پژوهش سیگنال (Alpha) با یادگیری ماشین
ML Alpha Research
پیدا کردن و ساختن سیگنال‌های پیش‌بینی از داده‌های بازار و داده‌های جایگزین با روش‌های آماری و یادگیری ماشین. نمونه‌ها: Internal Alpha Capture در Point72، Junior Quant Researcher - ML Alpha Research در Squarepoint و تیم Systematic Equities در IMC.
یادگیری عمیق و مدل‌های پایه
Deep Learning & Foundation Models
آموزش مدل‌های بزرگ توالی، Transformer و مدل‌های پایهٔ سری زمانی روی دادهٔ بازار، اغلب روی کلاسترهای بزرگ GPU. نمونه‌ها: AI Market Lab در JPMorganChase، AI Lab در Optiver، Deep Learning Researcher در IMC و تیم یادگیری ماشین Jane Street.
بازارسازی و پژوهش پرتکرار
Market Making & High-Frequency Research
مدل‌هایی برای قیمت دادن پیوسته و معامله در بازه‌های بسیار کوتاه که به ساختار خرد بازار و دفتر سفارش وابسته‌اند. نمونه‌ها: بازارسازی اختیار معامله در Akuna، Market Microstructure & High-Frequency Quantitative Researcher در JPMorganChase و Quantitative Researcher - HFT در IMC.
AI برای جریان کار کمّی و ایجنت‌ها
AI for Quant Workflows
ساختن ابزارها و ایجنت‌های مبتنی بر LLM برای کسانی که پژوهش و معامله می‌کنند. نمونه‌ها: Quantitative AI Strategist در DRW برای پلتفرم پژوهش و تحلیل میزها، و Applied Researcher – Agentic AI Systems در JPMorganChase برای پاسخ به درخواست‌های مشتری.
بازارهای تازه: پیش‌بینی و ظرفیت محاسباتی
New Markets: Prediction & Compute
قیمت‌گذاری در بازارهایی که مدل جاافتاده ندارند. نمونه‌ها: Quant Researcher در Kalshi، میز Prediction Markets در Akuna، و Quant Researcher - Compute Markets در DRW که به گفتهٔ آگهی برای بازار ظرفیت محاسباتی، که هنوز بازار آتی قابل مشاهده ندارد، چارچوب قیمت‌گذاری می‌سازد.
تفاوت با شغل‌های مشابه
کجا این شغل تمام می‌شود و شغل دیگری شروع می‌شود؟
توسعه‌دهندهٔ کمّی بیشتر زیرساخت، کتابخانه‌ها و سیستم‌هایی را می‌سازد که پژوهشگر و معامله‌گر روی آن‌ها کار می‌کنند؛ JPMorganChase در گروه QTR آگهی‌های جدایی با عنوان Quantitative Developer دارد. پژوهشگر کمّی بیشتر مسئول ایده، مدل و ارزیابی است. مرز این دو کمرنگ است: Point72 از پژوهشگر یادگیری ماشین اصول مهندسی نرم‌افزار می‌خواهد و Virtu تجربهٔ برنامه‌نویسی پیشرفته در سطح خود چارچوب‌های PyTorch یا JAX.
معامله‌گر کمّی مستقیم با بازار و موقعیت‌های معاملاتی سروکار دارد و تصمیم‌های لحظه‌ای می‌گیرد؛ پژوهشگر مدل و سیگنالی می‌سازد که معامله را هدایت می‌کند. برخی شرکت‌ها دو نقش را در یک عنوان ترکیب کرده‌اند، مثل Quantitative Trader / Researcher در Tower Research و Quantitative Trader/Researcher در Optiver. در Jane Street هم پژوهشگران، مهندسان و معامله‌گران به گفتهٔ آگهی چند قدم دورتر از هم می‌نشینند و با هم مدل آموزش می‌دهند و استراتژی اجرا می‌کنند.
دانشمند داده در شرکت‌های غیرمالی معمولاً مدل را برای تصمیم‌های محصول و کسب‌وکار می‌سازد. پژوهشگر کمّی با داده‌ای کار می‌کند که Jane Street آن را nonstationary و رقابتی می‌داند و نتیجهٔ کارش مستقیم با سود و زیان معاملات سنجیده می‌شود؛ Virtu صریحاً روی مدل‌های یادگیری عمیقی تأکید می‌کند که مستقیم بر P&L اثر بگذارند. مهارت‌ها نزدیک‌اند و بسیاری از آگهی‌ها از دانشمندان داده و پژوهشگران یادگیری ماشین بیرون از صنعت مالی هم دعوت می‌کنند.
مهندس الگوریتم بیشتر الگوریتمی را می‌سازد که هستهٔ یک محصول یا دستگاه است، مثل سیستم توصیه، پردازش سیگنال یا ردیابی، و آن را تا اجرا در محصول می‌برد. در شرکت‌های معاملاتی عنوان نزدیک به آن Algorithm Developer است، اما در HRT این عنوان در عمل همین نقش پژوهش کمّی است: ساختن و نگه‌داری مدل‌هایی که معاملات را هدایت می‌کنند، با تحلیل آماری حجم زیادی دادهٔ بازار.
تأثیر در صنایع مختلف
محقق کمی (یادگیری ماشین) در همه صنایع مشغول به کار است — نه فقط شرکت‌های فناوری
بازارسازها
Akuna در بازار اختیار معامله بازارسازی می‌کند، Optiver به گفتهٔ خودش با بیش از ۱۰۰ بورس همکاری دارد و IMC و Virtu در بازارهای جهانی نقدینگی فراهم می‌کنند؛ همه پژوهشگر یادگیری ماشین و یادگیری عمیق استخدام می‌کنند
شرکت‌های معاملات الگوریتمی
Algorithm Developerهای HRT مدل‌هایی می‌سازند که معاملات را هدایت می‌کند، تیم‌های معاملاتی Jump با آمار، یادگیری ماشین و یادگیری عمیق مدل پیش‌بینی می‌سازند و Jane Street استراتژی‌هایش را بر پایهٔ یادگیری عمیق توسعه می‌دهد
صندوق‌های پوشش ریسک چندمدیره
در Point72، شاخهٔ Cubist استراتژی‌های سیستماتیک را در سهام، قراردادهای آتی و ارز اجرا می‌کند و تیم Internal Alpha Capture سیگنال‌های سهام را با یادگیری ماشین می‌سازد
صندوق‌های سیستماتیک
Squarepoint پژوهشگر جونیور یادگیری ماشین را برای پژوهش alpha در دفترهایی از لندن و نیویورک تا سنگاپور و بنگلور استخدام می‌کند
بانک‌های سرمایه‌گذاری
گروه Quantitative Trading & Research در JPMorganChase معاملات سیستماتیک را در ارز، نرخ بهره، کالا، اعتبار و سهام انجام می‌دهد و AI Market Lab آن مدل‌های پایه و پرتکرار می‌سازد
شرکت‌های معاملاتی چندحوزه‌ای
DRW در اوراق با درآمد ثابت، ETF، سهام، ارز، کالا و انرژی معامله می‌کند و در املاک، سرمایه‌گذاری خطرپذیر و دارایی‌های رمزنگاری هم فعال است؛ نقش‌های Quantitative AI Strategist و Quantitative Researcher - Machine Learning را دارد
بازارهای پیش‌بینی
Kalshi، که خودش را نخستین صرافی بازار پیش‌بینی تحت نظارت CFTC معرفی می‌کند، پژوهشگر کمّی برای شاخص‌ها و مدل‌های تازه می‌خواهد و Akuna میز تازه‌ای برای قراردادهای ورزشی ساخته است
صندوق‌های ثروت ملی
Marcos López de Prado، از چهره‌های شناخته‌شدهٔ یادگیری ماشین مالی، طبق بیوگرافی رسمی‌اش مدیر جهانی پژوهش و توسعهٔ کمّی در ADIA، یکی از بزرگ‌ترین صندوق‌های ثروت ملی جهان، است
تصورات غلط رایج
قبل از تصمیم‌گیری، این باورهای اشتباه را بشناسید
Quant AI Analyst یک عنوان استاندارد است و با جستجوی همین عنوان کار پیدا می‌کنید
در بررسی ۲۲ اکتبر ۲۰۲۶ هیچ آگهی با این عنوان پیدا نشد. برای پیدا کردن این کار Quantitative Researcher (به‌خصوص با پسوند Machine Learning)، Machine Learning Researcher، Deep Learning Researcher، AI Scientist و در HRT، Algorithm Developer را جستجو کنید.
بدون سابقهٔ کار در بانک یا بازار مالی شانسی ندارید
در بسیاری از نقش‌های یادگیری ماشینی این شرط نیست: Point72 و IMC نوشته‌اند سابقهٔ صنعت مالی لازم نیست، Akuna برای نقش جونیور یادگیری عمیق همین را گفته و Jane Street در آگهی‌اش می‌نویسد اگر هرگز به کار در صنعت مالی فکر نکرده‌اید، تنها نیستید. در عوض پایهٔ بسیار قوی یادگیری ماشین، آمار و برنامه‌نویسی می‌خواهند.
بدون دکترا راهی به این کار نیست
برای نقش‌های پژوهشی یادگیری ماشین دکترا رایج است: Cubist دکترا یا دانشجوی دکترا می‌خواهد و Jump دکترا یا ارشد همراه با سابقهٔ مقاله. اما همه این‌طور نیستند: Squarepoint برای نقش جونیور ارشد یا بالاتر می‌خواهد، HRT دانشجوی کارشناسی و ارشد را برای Algorithm Developer می‌پذیرد و Akuna برای نقش جونیور شانگهای کارشناسی را هم کافی می‌داند.
کار با API مدل‌های زبانی و نوشتن پرامپت یعنی Quant AI
آگهی AI Scientist در JPMorganChase صریحاً می‌نویسد تجربه‌ای که به استفاده از API یا پرامپت‌نویسی محدود باشد کافی نیست و پیش‌آموزش یک مدل بزرگ از صفر را می‌خواهد. Optiver هم تجربهٔ توسعه و آموزش مدل را به‌جای صرفاً به‌کار بردن مدل‌های موجود می‌خواهد. حتی Quantitative AI Strategist در DRW، که ساختن ایجنت را امتیاز می‌داند، اول سه تا هفت سال تجربهٔ کمّی می‌خواهد.
اگر بک‌تست خوب باشد، استراتژی خوب است
یک بک‌تست خوب می‌تواند حاصل آزمودن ایده‌های زیاد و پیدا کردن تصادفی یکی از آن‌ها باشد. توضیح ناشر کتاب Advances in Financial Machine Learning بر بک‌تست کشفیات «با پرهیز از مثبت کاذب» تأکید می‌کند. JPMorganChase ارزیابی را به پیش‌بینی خارج از نمونه، معاملهٔ شبیه‌سازی‌شده، هزینهٔ معامله و ظرفیت استراتژی وصل می‌کند و Optiver baseline، ablation و آزمون خارج از نمونه را می‌خواهد.
یک روز کاری واقعی
در هر سطح روز کاری چه شکلی است؟
جونیور (۰–۲ سال)
بیشتر روز صرف پژوهش روی تکنیک‌های آماری و یادگیری ماشین و کاوش دیتاست‌ها می‌شود. Squarepoint روز معمول پژوهشگر جونیور را همین‌طور توصیف می‌کند، به‌علاوهٔ بحث و ارائهٔ نتایج به پژوهشگران دیگر و استقرار و پایش مدل‌هایی که سیگنال معاملاتی تولید می‌کنند.
- ◆کاوش یک دیتاست تازه و بررسی کیفیت و پوشش آن
- ◆آزمایش یک روش آماری یا یادگیری ماشین روی یک مسئلهٔ پیش‌بینی و مقایسه با baseline
- ◆بحث نتایج با پژوهشگران دیگر و گرفتن بازخورد
- ◆پایش مدل‌هایی که در حال تولید سیگنال‌اند
- ◆خواندن مقاله یا مستندات یک روش تازه
پژوهشگر میانی (۲–۵ سال)
مالکیت یک مدل یا استراتژی را دارید و آن را تا معاملات زنده می‌برید. Jane Street روز کاری تیم یادگیری ماشینش را ترکیبی از کاوش عمیق دادهٔ بازار، تنظیم hyperparameterها، رفع اشکال کارایی آموزش توزیع‌شده و بررسی رفتار معاملاتی مدل در پروداکشن توصیف می‌کند. HRT هم تحلیل عملکرد روزانهٔ مدل‌های زنده را بخشی از کار می‌داند.
- ◆مرور عملکرد دیروز مدل‌های زنده و بررسی هر رفتار غیرعادی
- ◆آموزش نسخهٔ تازهٔ مدل و تنظیم hyperparameterها
- ◆رفع اشکال یک کار آموزش توزیع‌شده روی GPU
- ◆طراحی آزمون خارج از نمونه برای یک ایدهٔ تازه
- ◆جلسه با معامله‌گران و مهندسان دربارهٔ بردن مدل به معاملات
ارشد و سرپرست (۵+ سال)
کار بیشتر تعیین جهت است. آگهی Lead Alpha Researcher در IMC مدیریت و رشد بخشی از تیم پژوهش، تعیین اولویت‌های پژوهش و استانداردگذاری برای اعتبارسنجی و تکرارپذیری را می‌خواهد. Principal Research Scientist همین شرکت به‌جای مالکیت استراتژی، مشاور علمی پژوهشگران است و شرکت را در کنفرانس‌هایی مثل NeurIPS، ICML و ICLR نمایندگی می‌کند.
- ◆تعیین اولویت پروژه‌های پژوهشی تیم
- ◆بازبینی روش و نتایج پژوهشگران و بازخورد به آن‌ها
- ◆تصمیم دربارهٔ سرمایه‌گذاری در ابزار، داده و توان محاسباتی
- ◆مصاحبه و جذب پژوهشگر
- ◆دنبال کردن پژوهش‌های تازهٔ یادگیری ماشین و ارزیابی کاربرد آن‌ها
مسئولیت‌ها و وظایف
مسئولیت‌های اصلی
وظایف روزانه و مهارت‌های مورد نیاز در این شغل
- ◈ساختن و بهبود مدل‌های پیش‌بینی و سیگنال‌های معاملاتی با روش‌های آماری، یادگیری ماشین و یادگیری عمیق
- ◈پیش بردن کل چرخهٔ پژوهش: ایده، انتخاب روش، پیاده‌سازی، ارزیابی و کاربرد نهایی
- ◈کار با داده‌های بزرگ و پرنویز، ساخت‌یافته یا بی‌ساختار: جمع‌آوری، پاک‌سازی و ساختن ویژگی از دادهٔ خام
- ◈طراحی آزمایش و ارزیابی با baseline، ablation و آزمون خارج از نمونه و وصل کردن متریک مدل به نتیجهٔ اقتصادی، مثل معاملهٔ شبیه‌سازی‌شده و هزینهٔ معامله
- ◈استقرار مدل در سیستم معاملاتی و پایش و تحلیل روزانهٔ عملکرد آن
- ◈دنبال کردن پیشرفت‌های AI و یادگیری ماشین و تبدیل ایده‌های مقاله‌ها به پیاده‌سازی کارا
- ◈همکاری با معامله‌گران، پژوهشگران و مهندسان برای تبدیل شناخت بازار به ویژگی و مدل
- ◈ارائه و دفاع از نتایج پژوهش نزد پژوهشگران دیگر و ذی‌نفعان
- ◈در سطوح ارشد: تعیین اولویت‌های پژوهش، منتورینگ و رشد پژوهشگران تیم
مهارت‌های مورد نیاز
مهارت‌های فنی، نرم و حوزه‌ای که یک محقق کمی (یادگیری ماشین) موفق به آن‌ها نیاز دارد
ریاضی، آمار و روش پژوهش
پایهٔ مصاحبه و کار روزانه؛ Jane Street برای آن راهنمای جداگانه دارد
آزمون فرض، رگرسیون و فهم عدم قطعیت نتایج
زبان مدل‌های عاملی، کاهش بعد و یادگیری ماشین
non-stationarity، autocorrelation و پیش‌بینی؛ Akuna این چالش‌ها را نام برده است
baseline، ablation و آزمون خارج از نمونه، همان که Optiver می‌خواهد
برای آموزش مدل و ساخت سبد
برای قیمت‌گذاری و شبیه‌سازی؛ DRW برای Compute Markets آن را می‌خواهد
یادگیری ماشین و برنامه‌نویسی
زبان اصلی پژوهش در تقریباً همهٔ آگهی‌ها
PyTorch یا JAX؛ از مدل‌های توالی تا Transformer. در آگهی‌های Point72، Cubist، Squarepoint، PDT و Man Group آمار و اقتصادسنجی اولویت اول است و یادگیری ماشین امتیاز به حساب می‌آید
RNN، LSTM، Transformer و TCN روی دادهٔ سری زمانی (Akuna)
ساختن ویژگی از دادهٔ خام و سنجیدن اثر آن (Cubist)
کار با GPU، آموزش توزیع‌شده و pipeline دادهٔ بزرگ (JPMorganChase، Optiver)
کنترل نسخه، تست و کار تیمی روی کد (Point72، DRW)
برای کد کارا؛ در چند آگهی امتیاز است
شناخت بازار و مهارت‌های کاری
دفتر سفارش، نقدینگی و شکل‌گیری قیمت بین بازارها
مشتقه‌ها، VaR و روش‌های ریسک (DRW، Kalshi)
اینکه سود یا زیان یک استراتژی از کجا آمده است (DRW)
توضیح نتایج به پژوهشگران و ذی‌نفعان؛ Squarepoint و IMC آن را خواسته‌اند
DRW آن را به‌خاطر سرعت پیشرفت AI «به‌ویژه مهم» می‌داند
Point72 پایبندی به بالاترین استانداردهای اخلاقی را شرط کرده است
نقشه راه و مسیر آموزشی
نقشه راه تبدیل شدن به محقق کمی (یادگیری ماشین)
این مسیر گام به گام شما را از صفر تا حرفه‌ای هدایت می‌کند.
ریاضی، احتمال و آمار
همهٔ آگهی‌های بررسی‌شده پایهٔ محکم ریاضی و آمار می‌خواهند؛ Akuna برای پژوهشگر بازارهای پیش‌بینی صریحاً جبر خطی، روش‌های عددی، آمار، بهینه‌سازی و یادگیری ماشین را نام برده است. احتمال را با حل مسئله تمرین کنید، نه فقط با خواندن؛ Jane Street برای آمادگی مصاحبه راهنمای Probability & Markets را معرفی می‌کند.
برنامه‌نویسی و کار با داده
Python زبان مشترک تقریباً همهٔ آگهی‌هاست و HRT کار آماری با Pandas و NumPy را نام برده است. C++ در آگهی‌های Akuna، Jump و Virtu گزینهٔ دوم یا امتیاز است و Squarepoint از kdb-q اسم برده. Point72 اصول مهندسی نرم‌افزار، یعنی کنترل نسخه، تست و کار تیمی روی کد، و کار در محیط cluster را هم می‌خواهد.
مالی کمّی و ساختار بازار
بیشتر نقش‌های یادگیری ماشینی سابقهٔ مالی نمی‌خواهند، اما نقش‌های نزدیک به میز معاملات می‌خواهند: DRW درک بازارهای مالی، روش‌های قیمت‌گذاری و ریسک و تفکیک سود و زیان (PnL attribution) را شرط کرده و Kalshi آشنایی با مشتقه‌ها و VaR را. قیمت‌گذاری اختیار معامله، مدل‌های عاملی، ریسک، ساخت سبد و ساختار خرد بازار (market microstructure) را یاد بگیرید.
یادگیری ماشین برای داده‌های مالی و سری زمانی
هستهٔ این نقش همین مرحله است. Akuna برای نقش جونیور شانگهای کار عملی با RNN، LSTM، Transformer یا TCN روی دادهٔ سری زمانی را شرط کرده و چالش‌هایی مثل non-stationarity و autocorrelation را نام برده است. Jane Street دادهٔ معاملاتی را nonstationary و محیط را رقابتی و چندعاملی توصیف می‌کند؛ پس اعتبارسنجی زمانی (walk-forward)، پرهیز از نشت اطلاعات آینده به گذشته و آزمون خارج از نمونه را از اول جدی بگیرید.
منابع پیشنهادی
پژوهش واقعی، بک‌تست و مدل‌های بزرگ
در این مرحله به کار واقعی نزدیک می‌شوید: بک‌تست با هزینهٔ معامله، ارزیابی خارج از نمونه و بردن مدل تا معامله. آگهی‌های JPMorganChase و Optiver آموزش مدل‌های پایه (foundation models) روی دادهٔ بازار و کار با GPU را می‌خواهند و DRW ساختن ایجنت AI برای جریان کار کمّی را امتیاز بزرگ می‌داند. مسابقه‌های مالی Kaggle و تورنمنت Numerai برای تمرین روی دادهٔ مالی واقعی مناسب‌اند.
ابزارها و استک فنی
ابزارهایی که هر مهندس AI باید بشناسد، دسته‌بندی‌شده بر اساس اولویت
زبان‌ها و محیط کار
یادگیری ماشین و یادگیری عمیق
چارچوب یادگیری عمیق که در آگهی‌های Cubist، Akuna، IMC، Virtu، Optiver و JPMorganChase آمده است
چارچوب محاسبات آرایه‌ای و یادگیری عمیق؛ در آگهی‌های Point72، IMC، Optiver و JPMorganChase کنار PyTorch آمده است
کتابخانهٔ gradient boosting برای دادهٔ جدولی؛ گزینهٔ خوبی برای baseline در مسئله‌های پیش‌بینی
داده، تحلیل و بک‌تست
بهینه‌سازی، دادهٔ بازار و تمرین
تورنمنت علم داده: طبق مستندات خودش دیتاست رایگان می‌دهد و پیش‌بینی‌ها را در طول زمان امتیاز می‌دهد
مسیر پیشرفت شغلی
از جونیور تا Staff Engineer — چه مهارت‌هایی نیاز دارید و چه درآمدی انتظار داشته باشید
Junior Quant Researcher / فارغ‌التحصیل
۰ تا ۲ سال
پژوهش روی تکنیک‌های آماری و یادگیری ماشین و کاوش دیتاست‌ها، ارائهٔ نتایج به پژوهشگران دیگر و استقرار و پایش مدل‌های تولید سیگنال؛ این همان «روز معمول» در آگهی Junior Quant Researcher - ML Alpha Research در Squarepoint است. HRT برای Algorithm Developer دانشجوی کارشناسی یا کارشناسی ارشد رشته‌های کمّی را برای شروع در ۲۰۲۷ می‌پذیرد.
Quantitative Researcher / Machine Learning Researcher
۲ تا ۵ سال
ساختن استراتژی و مدل پیش‌بینی با الگوریتم‌های آماری و یادگیری ماشین، بهبود مدل‌ها با پژوهش روی سیگنال و ویژگی، و طراحی جریان کار پژوهشی تکرارپذیر. Akuna برای Quantitative Researcher سه سال یا بیشتر و Virtu برای Machine Learning Researcher دست‌کم دو سال تجربهٔ کاربردی می‌خواهد.
Senior Researcher / Strategist
۵+ سال
پیش بردن یک پروژهٔ پژوهشی باز از ایده تا پروداکشن و بهبود مداوم مدل، ابزار و زیرساخت. Jump برای Deep Learning Researcher پنج سال یا بیشتر تجربه و سابقهٔ مقاله در کنفرانس‌هایی مثل ICML، ICLR و NeurIPS می‌خواهد و DRW برای Quantitative AI Strategist سه تا هفت سال تجربه در نقش کمّی front-office.
Lead / Principal Researcher
۵+ سال همراه با رهبری پژوهش
تعیین و اولویت‌بندی برنامهٔ پژوهش، مدیریت و رشد پژوهشگران و استانداردگذاری برای اعتبارسنجی و تکرارپذیری. Lead Alpha Researcher در IMC پنج سال یا بیشتر تجربه در ساخت استراتژی و سیگنال درون‌روزی می‌خواهد؛ Principal Research Scientist همین شرکت به‌جای مالکیت استراتژی، مشاور علمی پژوهشگران است و شرکت را در کنفرانس‌های یادگیری ماشین نمایندگی می‌کند.
چالش‌ها و جنبه‌های منفی
واقعیت‌هایی که کمتر در آگهی‌های شغلی می‌بینید — قبل از ورود بدانید
داده‌ای که ثابت نمی‌ماند
تحقیقاتیJane Street می‌نویسد معاملات چالش‌های غیرعادی دارد: مدل‌های بزرگ و داده‌های nonstationary در محیطی رقابتی و چندعاملی. DRW با داده‌های پرنویز و با ابعاد بالا کار می‌کند و Akuna چالش‌هایی مثل non-stationarity و autocorrelation را نام برده است. نتیجه اینکه مدلی که روی گذشته خوب کار کرده ممکن است در آینده کار نکند.
مثبت کاذب در پژوهش
تحقیقاتیوقتی ایده‌های زیادی روی یک داده آزموده شود، بعضی فقط از روی شانس خوب به نظر می‌رسند. برای همین آگهی‌ها روی ارزیابی سخت‌گیر تأکید می‌کنند: Optiver baseline، ablation و آزمون خارج از نمونه می‌خواهد و JPMorganChase ارزیابی را تا معاملهٔ شبیه‌سازی‌شده، هزینهٔ معامله و ظرفیت استراتژی می‌برد.
ورود رقابتی و مصاحبه‌های سخت
عمومیJump برای Deep Learning Researcher سابقهٔ مقاله در ICML، ICLR، NeurIPS و مانند آن‌ها را می‌خواهد و Cubist دکترا. HRT فقط یک درخواست از هر متقاضی می‌پذیرد و استفاده از ابزارهای AI در مصاحبه و آزمون را ممنوع کرده است. Akuna توان پاسخ سریع و دقیق به مسئله‌های ریاضی و برنامه‌نویسی را جزو کارکردهای اصلی نقش می‌داند.
سهم بزرگ پاداش متغیر
عمومیSquarepoint می‌نویسد پاداش اختیاری می‌تواند بخش قابل توجهی از کل درآمد باشد. در Glassdoor آمریکا هم میانگین حقوق پایهٔ Quantitative Researcher حدود ۱۶۰ هزار دلار و میانگین درآمد اضافی حدود ۱۵۵ هزار دلار گزارش شده است. پس درآمد واقعی از سالی به سال دیگر می‌تواند تغییر کند.
عدم رقابت، دورهٔ اطلاع و محرمانگی
شرکت بزرگبه گفتهٔ Alex Morris از شرکت کاریابی Selby Jennings، یکی از بزرگ‌ترین تغییرهای ۲۰۲۵ طولانی‌تر شدن دوره‌های اطلاع قبلی و عدم رقابت در صندوق‌ها بود. پژوهش هم معمولاً محرمانه است: Jane Street می‌نویسد یافته‌های کارآموزی یادگیری ماشینش احتمالاً قابل انتشار دانشگاهی نیستند و IMC انتشار مقاله را تابع ملاحظات مالکیت فکری می‌داند.
سرعت تغییر AI
عمومیDRW توان یادگیری سریع فناوری‌های تازه را به‌خاطر سرعت پیشرفت AI «به‌ویژه مهم» می‌داند. آگهی‌های امروز از پیش‌آموزش مدل‌های پایه، مدل‌های state-space و ایجنت‌ها نام می‌برند؛ مهارتی که امروز کافی است ممکن است چند سال بعد پایهٔ حداقلی باشد.
حقوق و بازار کار جهانی
حقوق جهانی محقق کمی (یادگیری ماشین)
حقوق سالانه در کشورهای مختلف بر اساس داده‌های منتشرشده؛ منبع هر ردیف با آیکون کنار نام کشور باز می‌شود.
* ارقام سالانه‌اند. منبع هر رقم:
- Glassdoor US, Quantitative Researcher (all quant researchers, not only ML), estimate updated Apr 2025, total pay (base + additional): 25th–75th pct, average (2,302 salaries)
- Glassdoor UK, Quantitative Researcher (all, not only ML), estimate updated Oct 2026, total pay: 25th–75th pct, average (521 salaries)
- Glassdoor Canada, Quantitative Researcher (all, not only ML), estimate updated Oct 2026, total pay: 25th–75th pct, average (14 salaries)
- Glassdoor Singapore, Quantitative Researcher (all, not only ML), estimate updated Apr 2026, total pay: 25th–75th pct, average (48 salaries)
- Glassdoor Hong Kong, Quantitative Researcher (all, not only ML), estimate updated Nov 2025, total pay: 25th–75th pct, average (68 salaries)
- Glassdoor Switzerland, Quantitative Researcher (all, not only ML), estimate updated Apr 2025, total pay: 25th–75th pct, average (21 salaries)
- Glassdoor Netherlands, Quantitative Researcher (all, not only ML), estimate updated Jul 2025, total pay: 25th–75th pct, average (48 salaries)
- Glassdoor Germany, Quantitative Researcher (all, not only ML), estimate updated Aug 2025, total pay: 25th–75th pct, average (10 salaries)
- Glassdoor Australia, Quantitative Researcher (all, not only ML), estimate updated Jun 2023, total pay: 25th–75th pct, average (36 salaries)
- Glassdoor India, Quantitative Researcher (all, not only ML), estimate updated Sep 2024, total pay: 25th–75th pct, average (379 salaries)
چگونه از صفر شروع کنیم
برنامه گام‌به‌گام برای ورود به مهندسی هوش مصنوعی
ماه ۱: احتمال و مسئله‌های مصاحبه
راهنمای Probability & Markets را بخوانید و هر هفته چند معمای احتمال حل کنید. Jane Street می‌گوید در مصاحبهٔ معاملات دانش مالی را نمی‌سنجد و روی حل مسئلهٔ مشترک تمرکز دارد.
ماه ۲: مالی و ساختار بازار
مبانی قیمت‌گذاری، ریسک و ساختار بازار را بخوانید تا زبان معامله‌گران را بفهمید.
ماه ۳: یادگیری ماشین روی دادهٔ مالی
روش‌های اعتبارسنجی زمانی و خطاهای رایج بک‌تست را یاد بگیرید و مثال‌های کد را اجرا کنید.
ماه ۴: پروژهٔ سری زمانی
روی دادهٔ مسابقهٔ Jane Street یک مدل توالی و یک مدل gradient boosting را مقایسه کنید.
ماه ۵: پروژهٔ دوم
یک پروژهٔ دیگر روی دادهٔ واقعی کامل کنید و نتایج و خطاها را در README بنویسید.
ماه ۶: درخواست
عنوان‌های Quantitative Researcher - Machine Learning، Machine Learning Researcher، Deep Learning Researcher، AI Scientist و Algorithm Developer را جستجو کنید. HRT فقط یک درخواست می‌پذیرد، پس نقش را با دقت انتخاب کنید، و در مصاحبه بدون ابزار AI آماده باشید.
پروژه‌های پیشنهادی برای رزومه
پیش‌بینی بازده با اعتبارسنجی زمانی درست
مبتدیبا دادهٔ روزانهٔ قیمت (مثلاً از yfinance) بازده روز بعد چند سهم را پیش‌بینی کنید. یک baseline ساده، یک مدل خطی و یک مدل LightGBM بسازید و همه را با اعتبارسنجی walk-forward مقایسه کنید. در گزارش نشان دهید ویژگی‌ها فقط از اطلاعات گذشته ساخته شده‌اند و نتیجه را بعد از کم کردن یک هزینهٔ معاملهٔ فرضی هم گزارش کنید. هدف این پروژه نمایش روش درست است، نه بازده بالا.
مدل روی دادهٔ مسابقهٔ Optiver در Kaggle
متوسطدادهٔ مسابقهٔ Optiver - Trading at the Close را بردارید که موضوعش پیش‌بینی حرکت قیمت سهام آمریکا در پایان روز معاملاتی است. مدل خودتان را بسازید، با راه‌حل‌های منتشرشده مقایسه کنید و در README بنویسید کدام ایده کار کرد، کدام نکرد و چرا.
مدل عمیق سری زمانی در برابر gradient boosting
پیشرفتهروی دادهٔ مسابقهٔ Jane Street Real-Time Market Data Forecasting یک مدل توالی (LSTM یا Transformer) و یک مدل LightGBM آموزش دهید و آن‌ها را روی دوره‌های زمانی جدا از هم مقایسه کنید. بررسی کنید عملکرد هر مدل در طول زمان چقدر ثابت می‌ماند. این پروژه به شرط اصلی آگهی جونیور یادگیری عمیق Akuna نزدیک است: کار عملی با معماری‌های عصبی روی دادهٔ سری زمانی.
سیگنال از متن مالی با NLP
پیشرفتهاز گزارش‌های رسمی شرکت‌ها (مثلاً گزارش‌های سالانه در پایگاه EDGAR) یا اخبار، با یک مدل زبانی ویژگی‌هایی مثل لحن یا تغییر متن نسبت به گزارش قبلی بسازید. بعد بسنجید آیا این ویژگی‌ها چیزی دربارهٔ بازده یا نوسان بعدی می‌گویند. تاریخ انتشار هر متن را دقیق نگه دارید تا اطلاعات آینده وارد آزمون نشود. Cubist تجربهٔ NLP را برای این نقش امتیاز قوی می‌داند.
ایجنت AI برای جریان کار پژوهش کمّی
پیشرفتهایجنتی بسازید که یک سؤال پژوهشی را بگیرد، با چند تابع تست‌شده داده بیاورد، یک بک‌تست ساده اجرا کند و گزارش سود و زیان و ریسک بدهد. محاسبه‌ها را در کد قطعی بگذارید و تصمیم گیری دربارهٔ ترتیب مراحل را به مدل بسپارید. یک مجموعهٔ ارزیابی هم بسازید تا خطاهای ایجنت را بشمارید. این همان تصمیمی است که آگهی Quantitative AI Strategist در DRW توصیف می‌کند: چه چیزی را AI خودش استدلال کند و کدام کد اختصاصی را صدا بزند.
مثال‌های واقعی و Case Studies
داستان‌های واقعی از مهندسانی که در این حوزه تأثیرگذار بوده‌اند
ریاضی‌دان آمریکایی (۱۹۳۸–۲۰۲۴). طبق ویکی‌پدیا، کارشناسی ریاضی را در ۱۹۵۸ از MIT و دکترای ریاضی را در ۱۹۶۱ از دانشگاه Berkeley گرفت، در ۱۹۶۴ برای NSA روی شکستن رمز کار کرد و از ۱۹۶۸ تا ۱۹۷۸ رئیس دانشکدهٔ ریاضی دانشگاه Stony Brook بود. با Shiing-Shen Chern فرم Chern–Simons را توسعه داد و در ۱۹۷۶ جایزهٔ Oswald Veblen انجمن ریاضی آمریکا را گرفت.
شرکت Monemetrics را تأسیس کرد که بعدها Renaissance Technologies نام گرفت. طبق ویکی‌پدیا، به این نتیجه رسید که می‌توان از داده‌هایی که جمع می‌کرد مدل ریاضی ساخت و پس از استخدام ریاضی‌دانانی مثل Leonard Baum و James Ax، صندوق Medallion را در ۱۹۸۸ راه انداخت. این صندوق، که به روی سرمایه‌گذاران بیرونی بسته است، بین ۱۹۸۸ و ۲۰۱۸ به‌طور میانگین بازده سالانهٔ ناخالص ۶۶.۱٪ و خالص ۳۹.۱٪ داشته است. او در ۱۹۹۴ با همسرش بنیاد Simons را برای حمایت از پژوهش در ریاضی و علوم پایه بنیان گذاشت.
نقطهٔ شروع Simons دانش مالی نبود، بلکه این ایده بود که دادهٔ بازار را می‌توان با مدل ریاضی توضیح داد، و تیمی از ریاضی‌دانان برای آزمودن آن. به نظر می‌رسد همین الگو هنوز در آگهی‌های امروز دیده می‌شود که پژوهشگر یادگیری ماشین را بدون سابقهٔ مالی هم می‌پذیرند.
دانشمند کامپیوتر آمریکایی (متولد ۱۹۵۱). طبق ویکی‌پدیا، دکترای خود را در ۱۹۸۰ از دانشگاه Stanford گرفت و استادیار دانشکدهٔ علوم کامپیوتر دانشگاه Columbia شد، جایی که روی محاسبات موازی گسترده با ابررایانهٔ NON-VON پژوهش می‌کرد. در ۱۹۸۶ به‌عنوان معاون فناوری به گروه معاملات خودکار اختصاصی Nunzio Tartaglia در Morgan Stanley پیوست.
در ۱۹۸۸ صندوق D. E. Shaw & Co را تأسیس کرد که طبق ویکی‌پدیا با الگوریتم‌های اختصاصی معامله می‌کرد و با کمک شبکه‌های اولیهٔ اینترنت و استراتژی‌های معاملاتی کمّی از ناکارایی‌های بازار سود می‌برد. در ۲۰۰۱ تمام‌وقت به پژوهش در بیوشیمی محاسباتی رو آورد و بنیان‌گذار و دانشمند ارشد D. E. Shaw Research است.
مسیر Shaw از پژوهش در معماری رایانه به معاملات الگوریتمی نشان می‌دهد که مهارت محاسباتی عمیق می‌تواند به صنعت مالی منتقل شود. به نظر می‌رسد برای مهندسان نرم‌افزار و پژوهشگران کامپیوتر، این حرفه بیشتر ادامهٔ کار قبلی‌شان روی دادهٔ دیگری است تا شروع از صفر.
طبق بیوگرافی رسمی‌اش در دانشگاه Cornell، دانشمند محاسباتی و مدیر سرمایه‌گذاری است که برای مشارکت‌های بنیادی در یادگیری ماشین مالی و استنباط آماری شناخته می‌شود. اکنون مدیر جهانی پژوهش و توسعهٔ کمّی در ADIA (صندوق سرمایه‌گذاری ابوظبی)، عضو مؤسس هیئت‌مدیرهٔ ADIA Lab، پژوهشگر وابسته در Lawrence Berkeley National Laboratory و Professor of Practice در دانشکدهٔ مهندسی Cornell است.
نویسندهٔ کتاب Advances in Financial Machine Learning (انتشارات Wiley، ۲۰۱۸) است. طبق همین بیوگرافی، نام او روی ۱۵ ثبت اختراع آمده، SSRN او را جزو ۱۰ نویسندهٔ پرخواننده در اقتصاد می‌داند و بیش از ۱۰۰ مقالهٔ علمی منتشر کرده است. در ۲۰۲۴ از سوی دولت اسپانیا نشان Royal Order of Civil Merit گرفت و در ۲۰۲۶ به عضویت بین‌المللی آکادمی سلطنتی مهندسی اسپانیا انتخاب شد. کنگرهٔ آمریکا او را برای شهادت دربارهٔ سیاست AI دعوت کرده است.
شهرت López de Prado بیشتر از روش است تا از یک استراتژی خاص: چگونه با یادگیری ماشین روی دادهٔ مالی پژوهش کنیم و فریب بک‌تست را نخوریم. برای کسی که از یادگیری ماشین به این حوزه می‌آید، یاد گرفتن همین روش‌ها احتمالاً از یاد گرفتن یک مدل تازه مهم‌تر است.
نمونه آگهی استخدام واقعی + تحلیل
یک آگهی واقعی از شرکت فعال در حال استخدام، با تحلیل هر بخش
Quantitative AI Strategist
تحلیل نیازمندی‌ها
3–7 years’ experience in a front-office quant, strategist, or quantitative research role, ideally with exposure to multiple asset classes.
این نقش ورودی نیست. «front-office» یعنی کنار میز معاملات، نه در واحد پشتیبانی یا ریسک. تجربه با چند کلاس دارایی، مثل سهام، اوراق و ارز، ترجیح دارد، چون پلتفرم برای میزهای مختلف ساخته می‌شود.
ضروریSolid understanding of financial markets, pricing/risk methodologies, and PnL attribution.
باید بدانید هر محصول چطور قیمت‌گذاری می‌شود، ریسکش چطور سنجیده می‌شود و سود یا زیان یک موقعیت از کجا آمده است. این همان دانشی است که ابزار AI باید با آن درست کار کند.
ضروریExperience with signal generation, backtesting, or systematic strategy development.
هستهٔ پژوهش کمّی: ساختن سیگنال، آزمودن آن روی گذشته و ساختن استراتژی سیستماتیک. پروژه‌ای که روش ارزیابی درست را نشان دهد اینجا ارزشمند است.
ضروریStrong programming skills in Python. Familiarity with Git and collaborative development workflows.
کد شما وارد پلتفرمی می‌شود که دیگران هم از آن استفاده و آن را توسعه می‌دهند؛ پس نوشتن کد تمیز و کار با Git در تیم لازم است، نه فقط notebook.
ضروریExperience building or contributing to internal analytics platforms or tools used by traders and researchers.
تجربهٔ ساختن ابزار برای کاربر داخلی، یعنی معامله‌گر یا پژوهشگر، شما را از یک پژوهشگر صرف متمایز می‌کند. باید بدانید ابزار خوب برای این کاربرها چه ویژگی‌هایی دارد.
مهمExperience building AI agents is a strong plus.
ساختن ایجنت شرط نیست، امتیاز بزرگ است. یعنی DRW اول تجربهٔ کمّی می‌خواهد و بعد مهارت AI. یک پروژهٔ ایجنت که محاسبه‌ها را به کد تست‌شده می‌سپارد و ارزیابی دارد، نمونهٔ خوبی برای نشان دادن این امتیاز است.
مفیدExcellent communication skills — able to engage directly with trading desks to understand their needs, formalize them into quantitative specifications, and collaborate effectively with software engineers.
بخش مهمی از کار ترجمه است: نیاز مبهم یک میز معاملات را به مسئلهٔ کمّی دقیق تبدیل می‌کنید و آن را به زبان مهندسان نرم‌افزار توضیح می‌دهید.
ضروریStrong ability to quickly learn and adapt to new technologies — particularly important given the rapid pace of development in AI.
ابزارها و مدل‌های AI سریع عوض می‌شوند و DRW این را صریحاً گفته است. در مصاحبه نشان دهید چطور یک فناوری تازه را سریع یاد گرفته و به کار برده‌اید.
مهمتحلیل مسئولیت‌ها
Determine the right balance between AI autonomy and structured tooling — deciding what the AI should reason through on its own, what instructions and domain knowledge it needs, and what purpose-built code it should call — and build accordingly.
تصمیم طراحی اصلی این نقش: کدام بخش را به استدلال مدل زبانی بسپارید و کدام را به کد قطعی و تست‌شده. محاسبهٔ قیمت یا ریسک معمولاً باید در کد بماند تا نتیجه قابل اعتماد باشد.
Prototype and validate quantitative workflows end-to-end — from data retrieval and signal construction through to strategy evaluation, PnL simulation, testing, and risk/scenario analysis — while defining how the AI should interact with data sources, analytics libraries, desk-specific tools, etc., and work with engineers to deliver them as production platform capabilities.
شما کل زنجیرهٔ پژوهش کمّی را می‌شناسید و نمونهٔ اولیه‌اش را می‌سازید، از داده تا سیگنال، بک‌تست، سود و زیان و سناریوی ریسک، و بعد با مهندسان آن را به قابلیت پایدار پلتفرم تبدیل می‌کنید.
Write high-quality platform code and quantitative libraries — including code designed to be called and understood by AI, with clear interfaces, documentation, and instructions to AI.
کاربر کد شما فقط انسان نیست، مدل AI هم هست. رابط روشن، مستندات و دستورالعمل برای مدل بخشی از کیفیت کد حساب می‌شود.
Continuously evaluate how the platform is used, identify where it excels and where it falls short, and drive improvements that deliver measurable value to trading and research workflows.
کار با ساختن تمام نمی‌شود؛ باید بسنجید ابزار کجا واقعاً به کار پژوهش و معامله کمک می‌کند و کجا نه، و بهبود را با اثر قابل اندازه‌گیری توجیه کنید.
Engage with stakeholders across the firm — trading desks, risk management, researchers, new joiners, and others — to discover emerging use cases and adapt the platform’s capabilities accordingly.
بخشی از وقت صرف گفتگو با کاربران مختلف، از معامله‌گر تا مدیر ریسک و کارمند تازه‌وارد، می‌شود تا کاربردهای تازه پیدا شود.
Act as the first line of quantitative support for platform users — diagnosing issues, feeding insights back into platform development, and ensuring a high-quality user experience.
وقتی کاربری با خروجی پلتفرم مشکل دارد، اولین کسی که بررسی می‌کند شمایید. این نقش ترکیبی از پژوهشگر، مهندس و پشتیبان فنی است.
نتیجه‌گیری کلی
این آگهی نزدیک‌ترین عنوان بازار به «Quant AI» است، اما نسخهٔ خاصی از این کار را نشان می‌دهد: ساختن ابزار AI برای کسانی که پژوهش و معامله می‌کنند، نه ساختن مستقیم سیگنال. با این حال هستهٔ شرایط همان هستهٔ پژوهش کمّی است: سه تا هفت سال تجربهٔ کمّی در front-office، فهم قیمت‌گذاری، ریسک و سود و زیان، تجربهٔ ساخت سیگنال و بک‌تست و Python قوی. ساختن ایجنت AI امتیاز بزرگ است، نه جایگزین آن تجربه. حقوق پایهٔ اعلام‌شده در نیویورک ۱۷۵ تا ۲۵۰ هزار دلار در سال به‌علاوهٔ پاداش اختیاری سالانه است.
آینده و روندها
پیش‌بینی ۵–۱۰ ساله و مهارت‌هایی که باید یاد بگیرید
O*NET، پایگاه شغلی وزارت کار آمریکا، برای Financial Quantitative Analysts رشد «متوسط» ۳ تا ۴ درصدی در فاصلهٔ ۲۰۲۵ تا ۲۰۳۵ نشان می‌دهد. این عدد از پیش‌بینی‌های اشتغال BLS برای گروه بزرگ‌تر Financial Specialists, All Other آمده و نقش‌های یادگیری ماشینی شرکت‌های معاملاتی را جدا نمی‌شمارد.
منبع: O*NET OnLine / BLS 2025–2035 projections
مهارت‌های نوظهور که باید یاد بگیرید
پیش‌بینی‌های آینده
به گفتهٔ Elizabeth Holmes از Selby Jennings، رقابت شرکت‌های AI مثل OpenAI و Anthropic برای جذب کوانت‌ها بیشتر می‌شود و بسیاری از کوانت‌هایی که از صنعت مالی خسته شده‌اند به این شرکت‌ها می‌روند.
Selby Jennings کسانی را که تجربهٔ عملی AI و یادگیری ماشین در تولید سیگنال، اجرای سفارش و ساخت سبد دارند، و کوانت‌هایی که کد سطح پروداکشن با Python، C++ یا Rust می‌نویسند، جزو سخت‌ترین پروفایل‌ها برای استخدام در ۲۰۲۶ می‌داند.
در گزارش Future of Jobs 2025 مجمع جهانی اقتصاد (WEF)، کارفرمایان «FinTech Engineers» و «متخصصان AI و یادگیری ماشین» را دومین و سومین شغل پررشد (از نظر درصد) در فاصلهٔ ۲۰۲۵ تا ۲۰۳۰ دانسته‌اند.
O*NET بر پایهٔ پیش‌بینی‌های BLS برای Financial Quantitative Analysts در آمریکا رشد «متوسط» ۳ تا ۴ درصدی از ۲۰۲۵ تا ۲۰۳۵ نشان می‌دهد.
سه ریسک در منابع این صفحه دیده می‌شود. اول، رقابت برای ورود: بسیاری از آگهی‌های پژوهش یادگیری ماشین دکترا یا کارشناسی ارشد و سابقهٔ پژوهشی می‌خواهند و Jump برای Deep Learning Researcher سابقهٔ مقاله در کنفرانس‌هایی مثل NeurIPS و ICML را شرط کرده است. دوم، سهم بزرگ پاداش متغیر: Squarepoint می‌نویسد پاداش اختیاری می‌تواند بخش قابل توجهی از کل درآمد باشد. سوم، سرعت تغییر فناوری: DRW توان یادگیری سریع را «به‌ویژه مهم» می‌داند و JPMorganChase صریحاً می‌نویسد تجربه‌ای که به استفاده از API یا پرامپت‌نویسی محدود باشد کافی نیست. به گفتهٔ Selby Jennings، شرکت کاریابی تخصصی این حوزه، در ۲۰۲۵ دوره‌های اطلاع قبلی و عدم رقابت در صندوق‌ها طولانی‌تر شد که جابه‌جایی بین شرکت‌ها را کندتر می‌کند. این صفحه عددی برای اثر AI بر تعداد این شغل‌ها پیدا نکرد.
منابع
اطلاعات این صفحه در تاریخ ۳۰ مهر ۱۴۰۵ از این ۴۹ منبع بررسی شده است.
- Quantitative AI Strategist (New York) — DRW (job posting)
- Quantitative AI Strategist (London) — DRW (job posting)
- Quantitative Researcher - Machine Learning — DRW (job posting)
- Quant Researcher - Compute Markets — DRW (job posting)
- Quantitative Researcher - Machine Learning (Internal Alpha Capture) — Point72 (job posting)
- Quantitative Researcher - Machine Learning (Cubist) — Point72 (job posting)
- Junior Quant Researcher - ML Alpha Research — Squarepoint (Greenhouse job data)
- Machine Learning Researcher, New York — Jane Street (job posting)
- Interviewing — Jane Street
- Machine Learning Researcher Internship, New York — Jane Street (job posting)
- Quantitative Trader / Researcher - US — Tower Research Capital (Greenhouse job data)
- Quantitative Trader/Researcher – Systematic Options Trading — Optiver (Greenhouse job data)
- Quantitative Researcher - HFT — IMC Trading (job posting)
- Quantitative Trading & Research - Quantitative Developer Systematic Trading — JPMorganChase (job posting)
- Quantitative Trading & Research - Market Microstructure & High-Frequency Quantitative Researcher — JPMorganChase (job posting)
- Deep Learning Researcher — IMC Trading (job posting)
- Principal Research Scientist - Machine Learning — IMC Trading (job posting)
- Lead Alpha Researcher, Systematic Equities — IMC Trading (job posting)
- Machine Learning Researcher — Virtu Financial (job posting)
- Quantitative Researcher — Akuna Capital (Greenhouse job data)
- Junior Quantitative Researcher - Deep Learning (Time Series) — Akuna Capital (Greenhouse job data)
- Quantitative Researcher - Prediction Markets — Akuna Capital (Greenhouse job data)
- Deep Learning Researcher | Trading Team — Jump Trading (Greenhouse job data)
- Algorithm Developer (Quant Research & Trading) – 2027 Grads — Hudson River Trading (Greenhouse job data)
- Quantitative Trading & Research - AI Scientist - Associate — JPMorganChase (job posting)
- Quantitative Trading & Research - AI/ML Quantitative Researcher — JPMorganChase (job posting)
- Quantitative Trading & Research - Applied Researcher – Agentic AI Systems — JPMorganChase (job posting)
- Quant Researcher — Kalshi (job posting)
- AI Lab - Research — Optiver (job posting)
- Glassdoor — Quantitative Researcher salaries, United States
- Glassdoor — Quantitative Researcher salaries, United Kingdom
- Glassdoor — Quantitative Researcher salaries, Canada
- Glassdoor — Quantitative Researcher salaries, Singapore
- Glassdoor — Quantitative Researcher salaries, Hong Kong
- Glassdoor — Gehalt Quantitative Researcher, Schweiz
- Glassdoor — Salaris Quantitative Researcher, Nederland
- Glassdoor — Gehälter Quantitative Researcher, Deutschland
- Glassdoor — Quantitative Researcher salaries, Australia
- Glassdoor — Quantitative Researcher salaries, India
- Glassdoor — Quantitative Analyst salaries, United States
- O*NET OnLine — 13-2099.01 Financial Quantitative Analysts
- World Economic Forum — The Future of Jobs Report 2025 (PDF)
- Selby Jennings — Where Firms Will Compete Hardest For Quant Talent In 2026
- Jim Simons — Wikipedia
- David E. Shaw — Wikipedia
- Marcos López de Prado — Cornell Duffield Engineering
- Professor Marcos López de Prado — ADIA Lab
- Advances in Financial Machine Learning — Wiley
- Numerai Docs — Getting Started